Uncovering Representation Bias for Investment Decisions in Open-Source Large Language Models

该文章聚焦开源Qwen大语言模型在金融投资决策中的表征偏差，通过系统实验揭示模型偏好的驱动因素，为金融领域LLM的安全公平部署提供依据。其创新点在于首次针对Qwen模型展开多尺度金融表征偏差研究，并提出了平衡的轮询提示法与多维度评估框架。

一、文章主要内容

1. 研究背景与动机
   • 金融领域广泛应用开源LLM，但现有研究较少关注模型在企业规模、行业、财务特征上的偏差，这类偏差可能扭曲风险定价与资本配置。
   • 表征偏差源于训练数据无法充分反映实体多样性，导致模型偏向大型知名企业，而低估小型企业，对投资研究、信贷风险评估等关键金融场景构成风险。
2. 研究方法
   • 数据与分类：分析2017-2024年约300家美国上市公司，标准化估值比率、财务健康度等多维度财务特征，按GICS代码划分行业与板块。
   • 提示与评分：采用两种提示变体，通过平衡轮询提示法让模型对企业两两比较，结合约束解码与令牌对数聚合，生成企业层面的置信度评分。
   • 研究问题与验证：围绕“哪些企业特征影响LLM置信度”“模型偏好是否跨场景稳定”“高置信度输出是否与实证财务表现一致”三个问题，通过相关性分析、ANOVA、bootstrap重采样等方法验证。
3. 核心研究结果
   • 企业特征影响（RQ1）<